第 1 章 绪论
首先,将每次利用基本蚁群算法得到的全部解的集合作为初始抗体群,将待优化的问题作为抗原,计算所有抗体与抗原的亲和度,并将亲和度最高的前 M 个抗体作为记忆细胞放入记忆池中,根据记忆细胞中各个基因位的相同基因产生疫苗;然后,计算各个抗体的浓度,根据亲和度和浓度对初始抗体群进行克隆选择操作,亲和度高并且浓度低的抗体被选择的概率相对较大,而亲和度低并且浓度高的抗体被选择的概率则相对较小,这体现了免疫系统的自平衡能力,即促进高亲和度低浓度抗体的产生同时抑制低亲和度高浓度抗体的产生,克隆选择使亲和度较高的抗体被确定性地选择参与进化;之后,对被选择的抗体进行细胞克隆操作,细胞克隆使亲和力较高的抗体依据其亲和力进行繁殖克隆细胞,克隆细胞参与进化;对克隆细胞进行交叉、亲和突变和疫苗接种操作产生新的抗体,其中亲和突变是使克隆细胞依据其母体的亲和力按照可变概率进行变异,抑制消除相同、相似及亲和力低的克隆,从而保持种群的多样性,避免停滞现象的发生;最后,进行免疫选择操作,免疫选择使母体群参与克隆群竞争并按照概率选择存活的母体或克隆。通过多次迭代试图找到比当前全局最优解更优秀的解,将经过免疫算法迭代得到的最优解与记忆池中的最优解进行比较,选择其中最好的解更新全局信息素。在基于免疫蚁群优化的 BP 神经网络优化过程中,首先,从第一个待优化的参数值开始到最后一个为止,每只蚂蚁都在每个参数值的定义域内随机挑选一个值,完成一次周游,并将本次周游过程中选择的网络参数值赋予 BP 神经网络进行训练,之后计算网络的训练误差并根据训练误差进行蚂蚁行经路径的信息素更新,在下一次周游时,根据路径上积累的信息量和期望转移程度来指导蚂蚁进行路径选择,如此反复循环,直到网络训练误差达到指定精度,或者迭代次数达到预先设定的最大值为止。
本课题主要研究将动态影响系数矩阵方法与经过免疫蚁群算法优化的 BP 神经网络相结合,建立板形控制系统模型,并将该模型应用到板形的控制过程中达到提高板形的控制精度和控制速度的目的。具体研究内容主要包括以下几个方面。(1)针对传统蚁群算法在寻优程中存在着的搜索速度慢、容易出现停滞现象等缺陷,本文借鉴生物学中免疫系统的自我调节机制,提出一种新的基于免疫优化的蚁群算法,该算法通过免疫算法中的免疫记忆、疫苗接种和免疫选择等操作调节蚁群算法的种群多样性,提高算法的全局性能。(2)针对 BP 神经网络存在的容易陷入局部极值等问题,利用免疫蚁群算法对 BP神经网络的各个参数值进行优化,以提高网络的性能,并建立基于免疫蚁群算法优化的 BP 神经网络板形控制预测模型,为实现板形在线控制的实时性要求提供基础。(3)针对板形的轧制过程是一个非线性、强耦合、多变量的复杂时变过程,难以建立精确的数学模型的问题,利用建立的板形控制预测模型根据动态影响矩阵的方法建立了基于动态影响系数矩阵的免疫蚁群 BP 神经网络板形控制模型,达到提高板形控制质量的目的。(4)设计仿真实验,对本文提出的板形控制方法进行实验验证,并对仿真实验结果进行分析,验证提出的新的板形控制的智能方法的有效性。本论文分为五章,第 1 章主要对板形控制的研究现状以及智能算法的发展情况进行阐述,从第 2 章开始具体组织结构如下。第 2 章是基于免疫优化的蚁群算法研究。利用免疫操作对蚁群算法进行优化,提出了基于免疫优化的蚁群算法,并对该算法进行了详细的描述。第 3 章是基于免疫蚁群优化的 BP 神经网络板形控制预测方法的研究。利用基于免疫优化的蚁群算法对 BP 神经网络的权值进行优化,并在此基础上建立了基于免疫蚁群优化的 BP 神经网络板形控制预测模型。第 4 章是基于动态影响系数矩阵的免疫蚁群 BP 神经网络板形控制模型的研究。将动态影响系数矩阵的方法引入到板形的控制过程中,并对动态影响系数矩阵的求解算法做了详细描述。第 5 章是仿真实验。本章对提出的板形控制的预测模型和板形控制模型分别设计了仿真实验进行验证,并对其实验结果进行了分析,证明了该智能模型的有效性。最后对本文的结论进行了阐述。
第 3 章 免疫蚁群优化 BP 网络板形预测模型.............................17
3.1 引言................................................................17
3.2 板形的概念......................................................18
3.3 BP 神经网络概述 ......................................................19
3.4 板形预测模型的建立....................................20
第 4 章 动态影响矩阵板形控制智能模型................................26
4.1 引言..................................................................26
4.2 板形控制模型的建立..............................................27
4.2.1 影响系数矩阵 ...............................27
4.2.2 动态影响系数矩阵具体实现算法 .....................29
4.2.3 板形控制模型的建立过程 ...........................31
4.3 本章小结......................................................33
第 5 章 仿真实验及分析.....................................34
5.1 引言.........................................................34
5.2 基于免疫优化的蚁群算法仿真实验.............................34
5.3 板形控制预测模型仿真实验...................................37
5.4 板形控制模型仿真实验..............................................41
结 论
本文将人工智能的方法引入到板形的控制过程中,取得的研究成果如下。
(1)提出了基于免疫优化的蚁群算法 将免疫系统的相关操作应用到蚁群算法的优化过程中,解决了传统的蚁群算法收敛速度慢,容易出现停滞现象等缺陷。经过仿真实验验证,基于免疫优化的蚁群算法不仅提高了算法的收敛速度,而且有效避免了停滞现象的发生。
(2)建立了免疫蚁群优化 BP 网络板形预测模型 首先利用基于免疫优化的蚁群算法对 BP 神经网络的权值进行优化,并且利用训练样本对 BP 神经网络离线进行训练,之后将训练好的神经网络应用到板形的在线预测过程中。利用基于免疫优化的蚁群算法对 BP 神经网络进行优化提高了 BP 神经网络的全局搜索能力,在此基础上提出的基于免疫蚁群算法优化的 BP 神经网络板形控制预测模型,提高了板形预测的精度。经过仿真实验验证,该模型的预测精度比基于蚁群算法优化的 BP 神经网络的预测精度高,为板形的在线控制提供了良好的基础。
(3)提出了动态影响矩阵板形控制智能模型 为了满足板形在线控制的时变性的特点,提出了基于动态影响系数矩阵的免疫蚁群 BP 神经网络板形控制模型,该模型将轧件和轧辊的基本参数,以及板形控制手段的各个调节量的参数值作为 BP 神经网络的输入值,将表示板形偏差的特征值作为神经网络的输出值,利用神经网络计算出不同轧制状态下的板形控制动态影响系数矩阵,体现了不同的控制手段在不同的轧制状态下对板形的各个基本模式的调节能力。该控制模型能够对板形的影响系数矩阵进行动态的调整,具有很大的灵活性,从而满足板形控制的实时特性,达到提高板形控制质量的目的。
参考文献
[1] Morooka, Y. Shape control of rolling mills by a neural and fuzzy hybrid architecture[C]//FuzzySystems. Yokohama: IEEE Computational Intelligence Society, 1995, 5: 47-48.
[2] Larkiola J, Myllykoski P, Nylander J, et al. Prediction of rollingforce in coldrolling by usingphysicalmodels and neural computing[J]. Journal of Materials Processing Technology, 1996,60(1-4): 381-386.
[3] Yarlagadda, Prasa http://www.dxlws.com/ssbylwzmx/ d K, Rao, et al. Neural network approach to flow stress evaluation in hotdeformation[J]. Journal of Materials Processing Technology, 1995, 53(3-4): 552-566.
[4] Wang D D, Tieu A K, Lu C, et al. Yuen. Modeling and optimization of threading process for shapecontrol in tandem cold rolling[J]. Journal of Materials Processing Technology, 2003, 140(1-3):562-568.
[5] 张秀玲. 冷带轧机板形智能识别与智能研究[D]. 秦皇岛: 燕山大学学位论文, 2002.
[6] 何海涛. 宽带钢冷轧机板形在线控制智能模型的研究与应用[D]. 秦皇岛: 燕山大学学位论文, 2005:43-78.
[7] 李志明, 彭艳, 刘宏民. 基于影响矩阵自学习的板形闭环控制方法[J]. 塑性工程学报, 2011,18(2): 45-51.
[8] 单修迎, 贾春玉, 刘宏民. 板带轧机板形控制倾辊弯辊神经模糊 PID 模型[J]. 机械工程学报,2009, 45(9): 255-260.
[9] 贾春玉, 崔艳超, 许东杰. 基于非线性预测模型的单神经元自适应 PID 板形控制[J]. 冶金设备, 2010, 12(6): 1-5.
[10] 张秀玲. 液压弯辊系统的优化神经网络内模控制[J]. 中国机械工程, 2007, 18(20):2419-2421.